Poolside, laboratorium kecerdasan buatan yang berbasis di San Francisco, merilis model terbaru bernama Laguna S 2.1 pada hari Selasa. Model ini merupakan sistem Mixture-of-Experts dengan 118 miliar parameter yang hanya mengaktifkan 8 miliar parameter per token. Laguna S 2.1 mendukung jendela konteks hingga 1 juta token dan dirilis dengan bobot terbuka di bawah lisensi OpenMDW-1.1.
Menurut tolok ukur yang dipublikasikan perusahaan, model ini mencatatkan skor 70,2 persen pada Terminal-Bench 2.1. Angka tersebut menempatkannya di peringkat 11 dalam papan peringkat yang disusun Poolside, mengungguli beberapa model dengan parameter jauh lebih besar. Pada SWE-Bench Multilingual, Laguna S 2.1 mencapai 78,5 persen, sedangkan pada SWE-Bench Pro mencapai 59,4 persen.
Proses pelatihan model ini berlangsung kurang dari sembilan minggu, dimulai pada 22 Mei dan menggunakan 4.096 unit Nvidia H200 GPU. Kecepatan rilis ini menunjukkan bahwa Poolside telah menghasilkan tiga model dalam kurun waktu tiga bulan. Arsitektur sparse MoE yang diterapkan memungkinkan biaya inferensi tetap rendah karena hanya bergantung pada parameter aktif.
Rilis ini terjadi di tengah perdebatan mengenai asal-usul model open-weight yang didominasi laboratorium China. Poolside secara eksplisit menyatakan bahwa Laguna S 2.1 ditujukan untuk memenuhi kebutuhan perusahaan dan lembaga pemerintah Barat yang memerlukan model yang dapat dijalankan secara mandiri. Pendekatan ini relevan bagi sektor yang mengutamakan kedaulatan data dan kepatuhan regulasi.
Selain itu, transparansi evaluasi yang ditunjukkan Poolside dengan mempublikasikan seluruh lintasan benchmark memberikan nilai tambah bagi pengambil keputusan teknis. Langkah ini dapat mendorong standar baru dalam verifikasi performa model AI, khususnya untuk beban kerja agentik yang membutuhkan keandalan tinggi.
Dari sisi ekonomi, model ini ditawarkan melalui OpenRouter dengan harga yang kompetitif untuk konteks hingga 1 juta token. Dukungan integrasi telah tersedia pada platform seperti vLLM, SGLang, Ollama, dan llama.cpp, termasuk varian kuantisasi 4-bit. Kombinasi ini memudahkan penerapan di lingkungan enterprise yang menginginkan kontrol penuh atas infrastruktur.
Poolside juga menyoroti peningkatan perilaku model dalam hal verifikasi dan ketekunan, bukan hanya peningkatan skala parameter. Pendekatan ini diharapkan dapat meningkatkan efektivitas agen AI yang beroperasi dalam sesi panjang tanpa pengawasan langsung.
Meskipun demikian, model ini masih memiliki keterbatasan, antara lain kecenderungan overfitting pada harness asli dan kesulitan menangani skema alat pihak ketiga. Model tertutup berskala lebih besar masih memimpin pada beberapa tolok ukur utama. Poolside menyatakan bahwa model Laguna berikutnya yang lebih besar telah memulai tahap pra-pelatihan minggu lalu.
